DEV Community

cognitalk
cognitalk

Posted on Edited on

[CIMC] Facilitating Machine Consciousness: From Theory to Architecture - Angie Normandale | 促进机器意识:从理论到架构

这段视频是 Angie Normandale 在柏林“计算意识”(Computational Consciousness)会议上的演讲,主题为《促进机器意识:从理论到架构》(Facilitating Machine Consciousness: From Theory to Architecture)。她在演讲中探讨了如何将神经科学中的意识理论应用并实现在机器学习系统中 [00:19]。

主要内容包括:

  • 研究背景与核心理论:她指出许多神经科学的意识理论缺乏明确的边界条件,因此团队将研究重心聚焦在注意力图式理论(Attention Schema Theory)上 [00:56]。该理论认为大脑不仅是预测世界的机器,还会对“自我”以及内心流淌的信息进行预测,从而建立自我模型 [01:21]。
  • 行为表现与测试:具备预测性自我建模系统的机器或代理(如他们团队研究的 AI “antelope”)会展现出类似生物的行为,例如通过镜子测试、元认知判断(对自己的判断有把握度)、权衡探索与开发、以及在多可能性中做出决策 [01:52]。
  • 架构设计与实验:神经科学通常只能做观察和寻找神经关联,而机器学习能建立因果关系 [03:15]。她的团队使用简化的“网格世界”(Grid Worlds)进行测试,并通过多步实验构建架构:
  • 基础视觉架构:只负责观察世界并采取行动 [05:01]。
  • 记忆模块:不仅基于当下,还能根据过去的最佳表现做出决策 [05:09]。
  • 兴趣区(Region of Interest)与预测系统:让系统选择它所关心的部分世界并进行信息放大,实现内部控制,形成处理自身行动与内部决策的双重进程 [05:22]。

  • 未来展望与多智能体场景:研究表明,实现意识理论需要一定的架构复杂性(如分层、记忆、以及自我预测与外部响应的并行) [06:48]。未来的重点是多智能体场景,注意力图式理论表明,对自我的建模能提升对自身的控制,还能让人更好地建模他人、进行合作以及促进群体行为,这对 AI 对齐(Alignment)和社会协作至关重要 [07:20]。

相关视频链接:Facilitating Machine Consciousness: From Theory to Architecture - Angie Normandale

Top comments (0)